Wie KI Risse frühzeitig erkennt: Verschleißtests bei Kabelschutzschläuchen neu gedacht

KI-Anwendungsprojekt mit FLEXA GmbH – Teil 1

Die FLEXA GmbH ist ein international tätiger Hersteller von Kabelschutzsystemen für industrielle Anwendungen mit jahrzehntelanger Erfahrung in der Entwicklung und Produktion technischer Schutzlösungen. Die Produkte kommen unter anderem im Maschinen- und Anlagenbau sowie in der Medizintechnik zum Einsatz und stehen für hohe Qualität und Zuverlässigkeit.

Herausforderungen der visuellen Risserkennung im Prüfprozess

Zur Qualitätssicherung werden Schläuche in Verschleißtests wiederholten Biegebeanspruchungen ausgesetzt, um die Anzahl der Schwingzyklen bis zur Rissbildung oder zum vollständigen Versagen zu bestimmen. Die Auswertung erfolgt bislang manuell anhand von Videoaufnahmen und ist entsprechend zeit- und personalintensiv. Die Bestimmung des Versagenszeitpunkts in Biegeversuchen stellt dabei eine besondere Herausforderung dar. Rissbildung entsteht häufig schrittweise und kann je nach Material, Oberflächenstruktur und Beleuchtungssituation unterschiedlich ausgeprägt sein. Zudem laufen mehrere Versuche parallel, wodurch eine kontinuierliche und präzise Überwachung erforderlich ist. Die manuelle Sichtung der Videoaufnahmen ist darüber hinaus anfällig für subjektive Abweichungen in der Bewertung. Eine besondere Schwierigkeit besteht darin, feine Risse zu erkennen und zuverlässig von harmlosen Oberflächenartefakten oder Reflexionen zu unterscheiden. Für eine stabile und reproduzierbare automatisierte Prüfung müssen daher robuste Kriterien zur eindeutigen Identifikation von Rissereignissen definiert werden.

Neues Innovationsfeld in der KI-gestützten Verschleißanalyse

Das Projekt untersucht daher den Einsatz KI-basierter Bildverarbeitung zur automatisierten Erkennung von Rissbildung. Das Ziel dieses Projekts ist es, die Zuverlässigkeit und Anwendbarkeit der KI-basierten bildgestützten Verschleißerkennung zu bewerten sowie deren Grenzen zu identifizieren und daraus Verbesserungsmaßnahmen für eine zukünftige Anwendung abzuleiten. Es wird untersucht, ob sich der Zeitpunkt der Rissbildung mithilfe geeigneter, insbesondere auf Convolutional Neural Network (CNN) basierender Bildverarbeitungsalgorithmen zuverlässig bestimmen lässt. Grundlage bildet die Analyse digitaler Bilddaten auslaufenden Versuchen, wobei die Modelle relevante visuelle Merkmale wie strukturelle Veränderungen oder Kontrastunterschiede automatisch erlernen und auswertet sollen: Unterscheidung zwischen intakten und defekten Schutzschläuchen. Auf dieser Basis ist es denkbar, die Anzahl der bis zum Materialversagen absolvierten Schwingzyklen automatisiert zu berechnen und als Kenngröße für die Qualitätsbewertung heranzuziehen.